基于信号和噪声特征检测的频谱感知方法

摘要

本发明涉及一种基于信号和噪声特征检测的频谱感知方法，在一个包括主用户和认知用户的认知网络中，认知用户将接收到的信号进行信号特征分析与计算，并将计算到的信号特征送入信号特征检测网络进行检测，以判别主用户信号是否存在，如果信号特征检测网络输出“1”，则判决主用户信号存在，否则判决主用户信号不存。本发明方法通过信号和噪声特征进行频谱感知，频谱判决与认知用户检测到的信号功率大小以及信道噪声功率大小没有相关性，消除了信道噪声波动性对频谱感知性能的影响，尤其适合于信道噪声波动环境下的信号频谱感知。

说明书

技术领域

本发明涉及认知网络中的信号频谱感知技术，更为具体地说涉及一种基于信号和噪声特征检测的频谱感知方法。

背景技术

随着人们对无线业务需求的不断提升，频谱资源日渐紧张。认知技术依靠人工智能感知无线通信环境，动态地检测频谱资源使用信息，实时自适应地改变自身系统工作参数以有效利用空闲频谱，是提高频谱利用率有效缓解频谱资源紧张的办法之一。

在认知网络中，有多种频谱感知技术。比如，能量检测，匹配滤波器检测、平稳循环特征检测等。这些技术都是对主用户信号的某个特征进行感知的，属于一种单点检测的方法。在衰落多径、隐藏终端等复杂低信噪比环境下，这些单点检测方法的准确性大打折扣。如何充分利用认知网络主用户信号的自身特征信息和信道噪声特征信息，正确区判别主用户信号是否存在，是一个尚未解决的难题。

发明内容

本发明的目的在于解决上述难题。考虑到认知网络中主用户信号和信道噪声的特征性，本发明将目前频谱检测中的单点检测变成多点联合检测，提出了一种基于信号和噪声特征检测的频谱感知方法。在该方法中，认知用户(节点)的频谱特征检测网络先对主用户信号特征和信道噪声特征进行学习，然后对接收到的信号进行特征分析与计算，以尽量多的提取主用户信号特征信息，构成一个有自适应反馈的多特征检测系统，正确做出频谱检测判决。该方法充分利用了主用户信号和信道噪声存在的多个特征信息，大大提高了主用户信号频谱感知的准确性。

上述目的通过下述技术方案予以实现：本发明一种1.基于信号和噪声特征检测的频谱感知方法，所述认知网络至少包括1个主用户和1个认知用户，认知用户接收到的检测信号为y(t)＝s(t)+n(t)，其中，s(t)为主用户传输的信号，n(t)为信道噪声，0≤t≤T，T为认知用户频谱检测时间；所述频谱感知方法包括如下步骤：

步骤1、样本提取——从主用户信号样本中获取主用户信号样本序列s_m(k)，从信道噪声样本中获取信道噪声样本序列n_m(k)，m＝0,1,…,M-1，k＝0,1,…,K-1，其中M是样本数，K是每个样本的抽样数；

步骤2、特征提取——根据信号样本序列s_m(k)和噪声样本序列n_m(k)计算每个样本的自相关函数序列：

和

其中，l＝0,1,…,K-1，并且由此构成自相关矩阵：

和

由此分别得到这两个自相关矩阵的最大最小特征值之比

和

以及自相关矩阵的所有元素之和与其矩阵对角元素之和的比

和

其中，max(eig)_s为自相关矩阵的最大特征值，max(eig)_n为自相关矩阵的最大特征值，min(eig)_s为自相关矩阵的最小特征值，min(eig)_n为自相关矩阵的最小特征值；

步骤3、训练序列构建——由序列和序列组合构成一个长度为2M的特征训练序列{X_p}，由和组合构成一个长度为2M的特征训练序列{Z_p}，p＝0,1,…,2M-1，其中或者

步骤4、特征训练——由神经网络构成一个两输入端、一输出端的信号特征检测网络，采用机器学习算法对该网络进行训练，其中训练序列{X_p}从一个输入端输入，{Z_p}从另外一个输入端输入，该网络训练输出是“1”或“0”两类，当网络的输入端含有和中对应的元素时，网络训练输出是“1”，表示主用户信号存在，当网络的输入端仅为和中对应的元素时，网络训练输出是“0”，表示主用户信号不存在，训练长度为2M；

步骤5、信号抽样——训练结束后，信号特征检测网络转换到正常工作状态；此时，对认知用户接收到的信号y(t)进行抽样，得到抽样信号y(k)，k＝0,1,…,K-1；

步骤6、特征计算——根据接收信号样本y(k)计算自相关函数r_y(m)：

其中l＝0,1,...,K-1，并且构成自相关矩阵

由此得到自相关矩阵R_y的最大最小特征值之比

以及矩阵R_y所有元素之和与矩阵对角元素之和的比

其中，max(eig)为矩阵R_y的最大特征值，min(eig)为矩阵R_y的最小特征值；

步骤7、特征检测——将计算得到的接收信号的两个特征量X和Z送入所述的信号特征检测网络进行检测，由信号特征检测网络输出结果；

步骤8、频谱判决——根据特征检测网络的归类输出作出频谱判决，如果信号特征检测网络输出“1”，则判决主用户信号存在，否则判决主用户信号不存。

本发明还具有如下特征：

1、特征训练序列{X_p}和特征训练序列{Z_p}中相同位置上的元素在对应序列中的排序一致。也就是说，特征训练序列{X_p}和{Z_p}中相同位置上的元素是从主用户信号样本的自相关函数中获取的，还是从信道噪声样本的自相关函数中分别获取的，在对应序列中的位置是相同。

2、特征训练序列{X_p}由序列和序列随机组合构成。

3、特征训练序列{Z_p}由序列和随机组合构成。

4、所述步骤4中，所述机器学习算法是归类的无监督学习算法，如k-均值聚类算法。

5、步骤7特征检测时，所述信号特征检测网络采用归类的有监督学习算法进行机器学习，以提高特征检测网络的自适应性，归类的有监督学习算法可采用支持向量机算法。

本发明方法在于认知无线网络频谱检测中，认知用户利用主用户信号的多个特征进行频谱感知，从而产生以下的有益效果：

(1)通过主用户信号特征和信道噪声特征进行频谱感知，频谱判决过程与认知用户检测到的信号功率大小以及信道噪声没有相关性，消除了信道噪声波动性对频谱感知性能的影响；

(2)通过有监督的机器学习算法，提高了频谱检测网络对信道变化的自适应能力。

附图说明

下面结合附图对本发明作进一步的说明；

图1是认知网络系统模型示意图。

图2是多输入单输出神经网络模型图。

图3是基于特征匹配的频谱感知方法方框图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

如图1，在一个包括主用户和认知用户的认知网络中，认知用户首先根据主用户信号特征和信道噪声特征，采用机器学习算法对由神经网络构成的信号特征检测网络进行训练；然后将认知用户接收到的检测信号进行抽样和特征分析计算；最后将计算得到的接收信号特征量送到信号特征检测网络进行检测，如果信号特征检测网络输出“1”，则判决主用户信号存在，否则判决主用户信号不存在，具体过程如下：

步骤1、从主用户信号样本中获取主用户信号样本序列s_m(k)，从信道噪声样本中获取信道噪声样本序列n_m(k)，m＝0,1,…,M-1，k＝0,1,…,K-1，其中M是样本数，K是每个样本的抽样数。

在本例中，认知网络包括1个主用户和1个认知用户的，主用户信号为s(t)＝p(t)·cosω_ct，其中p(t)为二进制基带信号，ω_c为载波频率，信道噪声n(t)是高斯白噪声，样本数K＝4096。

步骤2、根据信号样本序列s_m(k)和噪声样本序列n_m(k)计算每个样本的自相关函数：

和

其中，l＝0,1,…,K-1，并且由此构成自相关矩阵：

和

由此分别得到这两个自相关矩阵的最大最小特征值之比

和

以及自相关矩阵的所有元素之和与其矩阵对角元素之和的比

和

其中，max(eig)_s为自相关矩阵的最大特征值，max(eig)_n为自相关矩阵的最大特征值，min(eig)_s为自相关矩阵的最小特征值，min(eig)_n为自相关矩阵的最小特征值。

步骤3、由序列和序列组合构成一个长度为2M的特征训练序列{X_p}，由和组合构成一个长度为2M的特征训练序列{Z_p}，p＝0,1,…,2M-1，其中或者两个特征训练序列构成随机组合是相同的。

步骤4、由神经网络构成一个两输入端、一输出端的信号特征检测网络，采用机器学习算法对该网络进行训练，其中特征训练序列{X_p}从一个输入端输入，特征训练序列{Z_p}从另外一个输入端输入；采用的机器学习算法是一种归类的无监督学习算法，比如k-均值聚类算法；该网络训练输出是“1”或“0”两类，当网络的输入端含有和中对应的元素时，网络训练输出是“1”，表示主用户信号存在，当网络的输入端仅为和中对应的元素时，网络训练输出是“0”，表示主用户信号不存在，训练长度为2M。

步骤5、训练结束后，信号特征检测网络转换到正常工作状态；此时，对认知用户接收到的信号y(t)进行抽样，得到抽样信号y(k)，k＝0,1,…,K-1。

步骤6、根据接收信号样本y(k)计算自相关函数r_y(m)：

其中l＝0,2,...,K-1，并且构成自相关矩阵

由此得到自相关矩阵R_y的最大最小特征值之比

以及矩阵R_y所有元素之和与矩阵对角元素之和的比

其中，max(eig)为矩阵R_y的最大特征值，min(eig)为矩阵R_y的最小特征值。

步骤7、将计算得到的接收信号的两个特征量X和Z送入信号特征检测网络进行检测，此时特征检测网络采用的机器学习算法是一种归类的有监督学习算法，如支持向量机算法。

步骤8、根据特征检测网络的归类输出作出频谱判决，如果信号特征检测网络输出“1”，则判决主用户信号存在，否则判决主用户信号不存。

在本例中，信号特征检测网络根据输入的2个特征信息(X和Z)检测主用户信号是否存在。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。